[논문 리뷰] Cascaded Structure Tensor Framework for Robust Identification of Heavily Occluded Baggage Items from X-ray Scans

Taimur Hassan, Samet Akçay외 3명|arXiv (Cornell University)|2020. 04. 14.

Advanced Neural Network Applications참고 문헌 43인용 수 15

한 줄 요약

이 논문은 X선 수화물 스캔에서 심하게 가림되거나 혼잡한 위험한 물품을 강건하게 탐지하기 위해 계단식 구조 텐서(CST) 프레임워크를 제안한다. 방향성에 따라 순차적으로 윤곽 기반 전이 특징을 추출하고 단일 순방향 CNN을 사용하여 인식함으로써, GDXray에서 mAP 0.9343, SIXray에서 mAP 0.9595의 최신 기술 수준(SOTA) 성능을 달성하였으며, 기존 검출기보다 4.76% 빠른 추론 속도를 확보하였다.

ABSTRACT

In the last two decades, baggage scanning has globally become one of the prime aviation security concerns. Manual screening of the baggage items is tedious, error-prone, and compromise privacy. Hence, many researchers have developed X-ray imagery-based autonomous systems to address these shortcomings. This paper presents a cascaded structure tensor framework that can automatically extract and recognize suspicious items in heavily occluded and cluttered baggage. The proposed framework is unique, as it intelligently extracts each object by iteratively picking contour-based transitional information from different orientations and uses only a single feed-forward convolutional neural network for the recognition. The proposed framework has been rigorously evaluated using a total of 1,067,381 X-ray scans from publicly available GDXray and SIXray datasets where it outperformed the state-of-the-art solutions by achieving the mean average precision score of 0.9343 on GDXray and 0.9595 on SIXray for recognizing the highly cluttered and overlapping suspicious items. Furthermore, the proposed framework computationally achieves 4.76\% superior run-time performance as compared to the existing solutions based on publicly available object detectors

연구 동기 및 목표

• 기존 방법이 낮은 무늬와 복잡한 겹침으로 인해 실패하는 바탕으로, X선 수화물 스캔에서 심하게 가림되고 혼잡한 위험한 물품을 탐지하는 과제를 해결하기 위해.
• 지나치게 많은 영역 제안 생성과 회귀 네트워크를 피하는 계산 효율성이 높고 종단 간(end-to-end) 시스템을 개발하기 위해.
• 다양한 방향에서의 구조 텐서 기반 윤곽 분석을 활용하여 저무늬 X선 이미지에서의 탐지 강건성을 향상시키기 위해.
• 클래스 불균형과 극심한 가림이 존재하는 상황에서도 뛰어난 성능을 달성하기 위해.
• 민감도가 높고 개인정보 보호가 가능한 항공 보안에서 수동 점검의 확장 가능한 대안을 제공하기 위해.

제안 방법

• 프레임워크는 다중 방향에서 순차적으로 윤곽 기반 전이 강도 변화를 탐지하는 계단식 구조 텐서(CST)를 사용하여 혼잡한 X선 스캔에서 물체 경계에 대한 민감도를 향상시킨다.
• 각 방향의 구조 텐서 반응을 계산하여 가장자리와 교차점이 강조되며, 심한 가림 조건에서도 융합되거나 겹쳐진 물체의 탐지가 가능해진다.
• 구조적 불연속성 기반으로 점진적으로 물체 영역을 분리하는 윤곽 기반의 반복적 프로세스를 통해 제안 영역을 생성한다.
• 추출된 제안 영역에 대해 단일 사전 학습된 합성곱 신경망(CNN)이 종단 간 인식을 수행하여 영역 제안 네트워크나 회귀 헤드가 필요 없도록 한다.
• 표준 평가 지표인 mAP, IoU, AUC를 사용하여 공개 데이터셋 GDXray와 SIXray에서 학습 및 평가가 이루어졌으며.
• 추론 속도 최적화가 이루어져 YOLOv3 및 Faster R-CNN와 같은 최신 기술 수준의 검출기보다 4.76% 더 빠른 런타임 성능을 달성하였다.

실험 결과

연구 질문

• RQ1 윤곽 기반, 구조 텐서 기반 접근 방식이 저무늬 X선 이미지에서 겹쳐진 물체나 가림된 물체를 효과적으로 탐지할 수 있는가?
• RQ2 영역 제안 네트워크나 회귀 헤드 없이도 단일 순방향 CNN이 뛰어난 탐지 성능을 달성할 수 있는가?
• RQ3 계단식 구조 텐서 프레임워크는 극심한 가림이 있는 수화물 스캔에서 정확도와 추론 속도 측면에서 기존 객체 검출기와 비교해 어떻게 성능을 내는가?
• RQ4 이 프레임워크는 수화물 점검 데이터셋의 클래스 불균형에 미치는 영향을 어느 정도 완화하는가?
• RQ5 이 방법은 극도로 가림이 심하고 복잡한 혼잡이 있는 실제 환경에 일반화될 수 있는가?

주요 결과

• 제안된 CST 프레임워크는 GDXray 데이터셋에서 평균 평균 정확도(mAP) 0.9343을 달성하여 기존 최신 기술 수준의 방법들을 뛰어넘었다.
• SIXray 데이터셋에서는 mAP 0.9595를 기록하여 매우 혼잡하고 겹쳐진 위험한 물품 탐지에서 뛰어난 강건성을 입증하였다.
• SIXray에서 평균 교차율(IoU) 점수는 0.9689, GDXray에서는 0.9644를 기록하여 고품질의 바운딩 박스 예측 성능을 보였다.
• SIXray에서 receiver operating characteristic(AUC) 곡선 아래 면적은 0.9950, GDXray에서는 0.9878로 정상 물품과 위험 물품 간의 우수한 분류 성능을 나타내었다.
• 영역 제안 및 회귀 모듈이 없어 YOLOv3 및 기타 선도적 검출기보다 4.76% 더 빠른 추론 시간을 기록하였다.
• 실패 사례는 드물었으며 주로 극도의 가림 또는 유사 물체(예: 권총이 칼로 잘못 분류됨)에서 발생했지만, 대부분 저신뢰도 점수로 후속 필터링을 위한 경고가 발생하였다.